最近我在设计一个新模型。
模型本身不大，大约只有 1M 参数，但结构、序列长度和中间 activation 很吃显存。粗算下来，我可能需要一张接近 80GB 显存的 GPU，才能比较舒服地把实验跑起来。
于是问题来了：我能不能不花钱？
更准确地说，哪里能合法地拿到免费的 A100 80GB、H100 80GB，甚至更好的 GPU？
查了一圈，我发现这件事比想象中乐观。真正的大额度并不藏在“多注册几个 Colab 账号”这种小聪明里，而在厂商公开提供的研究资助、创业扶持和 accelerator program 里。
如果你有一个像样的 research proposal、一家公司，或者一个已经跑出初步结果的 AI 项目，能争取的资源可能不是几十美元，而是 $5,000、$10,000、数万 H100 GPU-hours，甚至数十万美元的 cloud credits。
本文最后核验于 2026 年 8 月 7 日。所有额度都是“最高”“申请制”或动态配额，不等于注册即送；价格、资格、地区和 GPU capacity 随时可能变化，申请前请重新查看官方页面。
先说结论：免费算力有四个等级
| 等级 | 典型平台 | 大致规模 | 更适合谁 |
|---|---|---|---|
| 随手验证 | Modal / Lightning / Colab / Kaggle | 几小时到几十 GPU-hours | 个人开发者 |
| 科研 credits | Modal Academics / Google Research Credits | 最高 $5k–$10k | 研究者、实验室 |
| 学术大额资助 | NVIDIA Academic Grant | 特定 call 最高 30,000 H100 GPU-hours | 高校研究团队 |
| 创业扶持 | NVIDIA Inception / Google for Startups / AWS Activate | 最高数十万美元级 credits | AI startup |
想验证模型，第一档已经有用。想认真做新架构和论文，重点看第二、第三档。有公司，就不要只用“独立研究者”的身份找资源，创业公司有另一套完全不同的 credits 生态。
Modal：个人开发者最值得先试的一张牌
Modal 的 Starter 计划不收订阅费，每月包含 $30 compute credits。它不是只能开 T4 的 notebook 平台，GPU 选项包括 A100 80GB、H100、H200、B200 等。
2026 年 8 月 7 日，Modal 公开价格中：
- A100 80GB：$0.000694/秒，约 $2.50/小时；
- H100：$0.001097/秒，约 $3.95/小时。
因此，$30 免费额度理论上约等于 12 小时 A100 80GB，或者 7.6 小时 H100。实际消耗还会受 CPU、内存、存储和其他资源影响，不能把它当成固定赠送的 GPU 小时。
这仍然很适合研究开发。大部分时间不是在做最终训练，而是：写代码，跑十分钟，发现 shape 错了，改模型，再跑一次。把日常开发留在本地，只在必须使用 80GB 显存时调用 Modal，$30 能撑不少次实验。
Modal for Academics：最高 $10,000
如果已经在做正式 research，可以继续申请 Modal for Academics。官方口径是，研究人员、研究生和实验室可以申请最高 $10,000 Modal credits。
按当前公开价格粗算，$10,000 约对应 4,000 小时 A100 80GB，或者 2,500 小时 H100。这里只是理想换算，不代表获批额度、资源供应或最终账单。
我会采用这样的顺序：
- 用每月 $30 跑通代码；
- 拿到一个能说明问题的 preliminary result；
- 写 proposal，解释研究问题、GPU 预算和预期产出；
- 再申请 academic credits。
先用小羊毛证明项目值得，再申请大羊毛。
NVIDIA Academic Grant：真正的大 Boss
NVIDIA Academic Grant Program 的特定 research call，资源上限可以达到 30,000 H100 GPU-hours。
注意单位：不是 30,000 美元，而是 30,000 个 H100 GPU 小时。
这已经不是“送一张卡玩玩”，而是足以支撑严肃研究项目的算力。不过门槛也明显更高：具体主题、开放时间、地区和资助形式会随 call 变化；申请通常需要由合资格学术机构中的 faculty 或 academic researcher 主导。博士生和独立研究者一般要通过导师或合作 PI 参与，不能假设自己可以直接申请。
正确姿势不是拿一份通用 proposal 到处投，而是等对应方向的 call 出现，再根据当期主题重写申请：研究问题是什么，为什么适合 NVIDIA 的技术生态，为什么需要这个规模的 GPU，最终会产出 paper、开源代码、benchmark 还是系统优化。
有公司，先申请 NVIDIA Inception
NVIDIA Inception 是面向 startup 的免费项目，不收会员费，也不要求让出股权。公开条件通常包括公司已注册、有正常网站、至少一名开发者，并处在计划规定的成立年限内。
Inception 的价值不是“注册后自动到账 $100,000”。它更像进入 NVIDIA startup ecosystem 的入口：技术支持、培训、活动，以及 NVIDIA 或合作伙伴在特定项目中提供的 cloud credits。
部分 Innovation Lab、challenge 或合作项目可能提供很高的 DGX Cloud 支持，公开活动曾出现最高约 $100,000 credits 的口径，但这不是所有 Inception 成员的固定权益。项目匹配、评审结果和资源 availability 都会影响最终支持。
如果我在做新的 AI architecture，我会准备好四样东西再申请：
- 一页讲清楚问题与新意的产品/研究页面；
- 能运行的 prototype；
- 一张 preliminary result 图；
- 一份明确到 GPU-hours 的实验预算。
“我缺 GPU”不是申请理由。一个已经露出价值、只差算力放大的项目，才是。
Google：研究者最高 $5,000，AI startup 最高 $350,000
Google Cloud Research Credits 面向合资格学术研究者，公开口径通常是最高 $5,000 credits。Google Cloud 同时提供 GPU 和 TPU；如果模型适合 JAX/TPU，这条路线可能比单纯找 A100 更有价值。
但 cloud credits 不等于保证拿到某型号 GPU。区域、GPU quota 和 capacity 都可能卡住启动。拿到 credits 后，应该尽早确认目标区域并申请 quota，而不是等实验要开跑时才发现没有容量。
创业公司则可以申请 Google for Startups Cloud Program：
- 符合条件的 startup，两年累计最高 $200,000 Google Cloud credits；
- 符合计划定义的 AI startup，两年累计最高 $350,000；
- 具体额度分阶段发放，并受融资阶段、资格和条款限制。
同一个项目，如果既有学术研究价值，又已经公司化，往往同时面对 Academic ecosystem 和 Startup ecosystem。两边的申请逻辑、评审标准和额度完全不同。
AWS Activate：公开常规上限通常是 $100,000
AWS Activate 也值得申请，但这里最容易被二手信息写错。
按 AWS 当前公开常规口径：
- Activate Founders：最高 $1,000 AWS credits；
- 通过合资格 Activate Provider 进入 Portfolio：最高 $100,000 AWS credits。
部分 VC、accelerator、provider package 或专项 AI 计划可能出现更高额度，但不能把它们概括成所有 AWS Activate 项目的常规 $200,000，更不能理解成注册公司后自动到账。
对 startup 来说，真正重要的是找到合适的 provider、孵化器或投资机构入口，而不是只在 AWS 网站上填一张通用表。
Lightning、Kaggle 和 Colab：适合开发，不适合幻想
Lightning AI
Lightning 免费层目前包含 15 credits。官方页面给出的“约 80 GPU hours”只对应低价 interruptible compute 的折算，不是 80 小时 A100 或 H100。选更贵的卡，额度会更快耗尽。
它更适合 notebook、debug、小规模训练和临时实验。
Kaggle
Kaggle 的免费 accelerator 常见配额约为每周 30 GPU-hours，但额度会随账号和资源供给变化，型号与 availability 也不保证。它常见的是显存更小的 GPU，适合验证训练流程，通常解决不了“必须单卡 80GB 才能启动”的问题。
Colab
Colab 免费版没有公开固定 GPU 小时数。GPU 类型、使用上限、最长运行时间和空闲断开策略都动态变化；昂贵 GPU 的免费访问尤其有限。
如果模型能在 T4 上跑，Colab 很方便。如果模型必须 A100 80GB，就不要把整个 research pipeline 建在“今天会不会刚好分到一张好卡”这个假设上。
别把“薅羊毛”变成违反 ToS
我这里说的薅羊毛，是合法最大化厂商主动提供的科研和创业扶持，不是注册二十个账号绕过限制。Colab 明确禁止使用多个账号规避 access 或 resource restrictions。
真正的大额度不在账号技巧里。与其花时间维护十个免费账号，不如用同样的时间做一个能跑的 prototype，再写一份专业 proposal。
申请 credits，不要只写“我缺 GPU”
一份像样的申请至少要回答五个问题。
1. 你在研究什么
用一句话讲清 research question。不要只写“我要训练一个 Transformer”，要说明现有方法有什么结构性限制，你提出了怎样的新 architecture 或 learning paradigm。
2. 为什么值得做
这个问题为什么有学术价值、工程价值或市场价值？谁会因此受益？哪一个现有瓶颈会被解除？
3. 为什么需要这些 GPU
直接算预算。例如：单次实验需要 A100 80GB × 8 小时；计划跑 50 个主要 configuration；ablation 约 100 runs；总预算约 600 GPU-hours。
4. 你已经做出了什么
一个在小卡或 synthetic dataset 上得到的粗糙结果，也比纯 idea 强。代码能跑、loss 能降、baseline 能比较，申请可信度会完全不同。
5. 最终产出是什么
Paper、开源代码、dataset、benchmark、demo，还是 CUDA / inference optimization？越具体越好。
如果是我，我会按这个顺序做
Phase 1：零成本验证
本地写代码，用 Kaggle、Lightning 或 Colab 做普通 debug，Modal 免费额度负责必须上 80GB 显存的短实验。
目标只有一个：代码能跑，loss 能降。
Phase 2：拿 preliminary evidence
不要急着跑完整实验。先准备一个 synthetic dataset、一个 baseline、一张核心结果图。项目从“我有一个想法”变成“我已经有初步证据”。
Phase 3：申请大额度
有学术身份：Modal Academics → Google Research Credits → 匹配当期方向的 NVIDIA Academic Grant。
有公司：NVIDIA Inception / Innovation Lab → Google for Startups → AWS Activate，再看各家专项计划和合作伙伴 credits。
不要只盯一家，但也不要假设所有 credits 可以无条件叠加。每个计划都有 eligibility、重复资助、地区和用途限制。
参数少，不代表不吃显存
很多人看到“1M 参数”，第一反应是：这不是随便一张显卡都能跑吗？
不一定。
训练显存不只有 parameters，还有 gradients、optimizer states、activations、attention matrices 和 temporary buffers。尤其是 Transformer 类结构，如果在很长的 dimension 上做 full attention，attention matrix 的空间复杂度是 (O(N^2))。
这时真正吃爆显存的可能根本不是模型权重，而是 activation 和 attention。
所以完全可能出现一个看起来荒谬、实际上很合理的情况：模型只有 1M 参数，我还是想要一张 A100 80GB。
写在最后
以前我总觉得，只有 Google、OpenAI、Meta 这样的公司才能做需要大量 GPU 的模型研究。
认真查完以后，我的判断变了。普通开发者拿到几小时或几十小时 GPU 并不难；研究者有机会申请几千到一万美元 credits；匹配特定 call 的高校团队，甚至能争取数万 H100 GPU-hours；AI startup 面对的又是另一套数十万美元级的扶持体系。
所以，一个新模型 idea 出现时，第一问不该是“我有没有钱训练它”。
应该先问：我能不能用最低成本证明，它值得被训练？
如果值得，再去找 NVIDIA、Google、AWS、Modal 帮你付 GPU 钱。
这个时代最稀缺的，可能不是算力，而是一个真正值得花算力去验证的 idea。